【技术实现步骤摘要】
一种基于改进强化学习的复杂网络局部破坏的自改进恢复策略所属
本专利技术提供一种基于改进强化学习的复杂网络局部破坏状态下的自改进恢复策略(Self-improvementRecoveryStrategy,SIRS)方法,尤其涉及一种考虑网络节点组成单元特征,基于改进的强化学习算法,实现自改进求解复杂网络多节点集群维修的恢复策略方法,属于维修性工程领域。
技术介绍
自改进恢复策略(SIRS)是指复杂网络发生局部破坏后,破坏位置出现多节点集中不可用的情况,通过集群维修的方式快速抢修至整体可用状态。但目前国内外关于集群维修的研究一般不考虑时序。随着维修性越来越受到重视,对复杂网络开展集群维修策略的研究提出了更高的要求,即充分考虑集群维修的时序和收益不确定特征,以及问题整体的NP-hard特征,提供一种高效的集群维修策略方法。本专利技术基于维修状态转移概率的神经网络预测模型和蒙特卡洛树搜索(MonteCarloTreeSearch,MCTS)算法,专利技术了一种基于改进强化学习的新型的自改进恢复策略(SIRS)方法,解决了复杂网络局部破坏状态下的集群维修策略生成的问题。
技术实现思路
本专利技术的目的是为局部破坏状态下的复杂网络提供一种新型的自改进恢复策略(SIRS)方法,旨在解决传统集群维修策略方法未充分考虑集群维修的时序和收益不确定特征,以及问题整体的NP-hard特征等问题。本专利技术提出了一种基于神经网络预测模型和蒙特卡洛树搜索(MCTS)算法的SIRS方法,主要包含以下步骤:步骤一:基于局部破坏建立复杂网络的集群维修状态矩阵。将复杂网络局部破坏恢复策略视为多节 ...
【技术保护点】
1.基于改进强化学习的复杂网络局部破坏的自改进恢复策略方法,其特征在于:它包含以下步骤:第一步:基于局部破坏建立复杂网络的集群维修状态矩阵:根据破坏信息建立复杂网络“节点‑单元”集群的维修状态0‑1矩阵。第二步:基于初始集群维修状态生成复杂网络邻接矩阵:考虑维修状态矩阵与邻接矩阵的映射关系,基于初始的集群维修状态生成复杂网络邻接矩阵。第三步:基于神经网络模型预测集群的先验维修状态转移概率:设计一个SE‑ResNet神经网络预测“节点‑单元”集群的先验维修状态转移概率和先验维修策略价值。第四步:基于蒙特卡洛树搜索算法遍历集群的维修策略解空间:遍历维修策略解空间,得到改进的维修状态转移概率矩阵,并据此选择当前时刻全局最佳维修动作。第五步:基于集群维修状态的变化更新复杂网络邻接矩阵。第六步:计算并检验复杂网络的恢复程度:基于复杂网络的集群维修状态和邻接矩阵计算并检验其恢复程度。第七步:基于强化学习经验参数训练神经网络参数:基于恢复策略自改进过程产生的一组最新的强化学习经验参数,利用梯度下降法训练神经网络参数。第八步:基于恢复策略自改进过程生成一个完整的维修恢复方案:由恢复策略自改进过程存储的 ...
【技术特征摘要】
1.基于改进强化学习的复杂网络局部破坏的自改进恢复策略方法,其特征在于:它包含以下步骤:第一步:基于局部破坏建立复杂网络的集群维修状态矩阵:根据破坏信息建立复杂网络“节点-单元”集群的维修状态0-1矩阵。第二步:基于初始集群维修状态生成复杂网络邻接矩阵:考虑维修状态矩阵与邻接矩阵的映射关系,基于初始的集群维修状态生成复杂网络邻接矩阵。第三步:基于神经网络模型预测集群的先验维修状态转移概率:设计一个SE-ResNet神经网络预测“节点-单元”集群的先验维修状态转移概率和先验维修策略价值。第四步:基于蒙特卡洛树搜索算法遍历集群的维修策略解空间:遍历维修策略解空间,得到改进的维修状态转移概率矩阵,并据此选择当前时刻全局最佳维修动作。第五步:基于集群维修状态的变化更新复杂网络邻接矩阵。第六步:计算并检验复杂网络的恢复程度:基于复杂网络的集群维修状态和邻接矩阵计算并检验其恢复程度。第七步:基于强化学习经验参数训练神经网络参数:基于恢复策略自改进过程产生的一组最新的强化学习经验参数,利用梯度下降法训练神经网络参数。第八步:基于恢复策略自改进过程生成一个完整的维修恢复方案:由恢复策略自改进过程存储的一系列最佳维修动作生成一个完整的维修恢复方案。通过以上步骤,给出了一种基于改进强化学习的自改进恢复策略方法,可以解决复杂网络局部破坏状态下进行集群维修的恢复策略问题。2.根据权利要求1所述的基于改进强化学习的复杂网络局部破坏的自改进恢复策略方法,其特征在于:在第一步中所述的“基于局部破坏建立复杂网络的集群维修状态矩阵”中,将复杂网络局部破坏状态的恢复问题视为多节点的集群维修问题,根据破坏信息建立复杂网络“节点-单元”集群的维修状态0-1矩阵。首先,构建复杂网络的节点集合K={k1,k2,…,ki,…,kj,…,kn}(其中n为节点的个数),将各节点的组成进行拆解,建立其单元集合U={u1,u2,…,ui,…,uj,…,um}。以此为基础,建立m×n的“节点-单元”矩阵,并根据破坏信息用“0”、“1”对矩阵中元素赋值,形成维修状态矩阵S。3.根据权利要求1所述的基于改进强化学习的复杂网络局部破坏的自改进恢复策略方法,其特征在于:在第二步中所述的“基于初始集群维修状态生成复杂网络邻接矩阵”中,将一个复杂网络抽象为一个由节点集K={k1,k2,…,ki,…,kj,…,kn}和连接(边)集组成的图G=(K,E)。用一个n×n的邻接矩阵A描述复杂网络中n个节点之间的连接关系(边),且不考虑自环。当复杂网络中所有单元均正常时,邻接矩阵记为A*。将节点ki的单元集Ui={u1,u2,…,um}分为三类单元集则表示单元集中的所有节点均为破坏空间中的故障单元,同理可以对另外两类单元集进行描述。基于上述分类,以节点ki为例,假设维修状态矩阵S中元素与邻接矩阵A中元素的映射关系fS→A为上述关系表示,当节点ki的a类单元全部破坏时,与该节点关联的所有边均断开;当节点ki的b类单元全部破坏时,由该节点指向其余节点的边断开;当节点ki的c类单元全部破坏时,由其余节点指向该节点的边断开。基于复杂网络的初始维修状态,由映射关系fS→A可以生成初始维修状态的邻接矩阵A。4.根据权利要求1所述的基于改进强化学习的复杂网络局部破坏的自改进恢复策略方法,其特征在于:在第三步中所述的“基于神经网络模型预测集群的先验维修状态转移概率”中,设计了一个压缩-激励残差网络(Squeeze-and-ExcitationResidualNetworks,SE-ResNet)预测“节点-单元”集群的先验维修状态转移概率矩...
【专利技术属性】
技术研发人员:冯强,吴其隆,任羿,孙博,杨德真,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。